퍼포먼스 마케팅을 위한 "최적화 알고리즘"의 이해-2
②케이스로 알아보는 최적화 시나리오 검토 (최종업데이트 22.05.15)
이번 아티클은 RTB와 머신러닝에 대한 기본적인 이해를 기반으로 퍼포먼스 마케팅을 진행하며 맞닥뜨리게 되는 여러 상황들을 해석해보려고 합니다. 케이스들은 실제 운영 상황에서 지속적으로 맞닥뜨리고 있는 것, 그리고 여러 강의를 통해 수업시간에 질문을 받았던 것들 중 공통 질문으로 뽑아낼 수 있는 것들로 선별하였습니다. 이후 케이스들을 지속적으로 업데이트를 해 나갈 예정이며, 이미 업데이트 된 케이스더라도 판단 근거가 바뀌게 되면 이전 내용은 남겨두고 바뀐 판단과 근거를 지속적으로 업데이트 하고자 합니다.
1. CTR을 높이면 더 많은 전환을 일으킬 수 있을까?
머신러닝만 고려한다면 안될 가능성이 더 높다. 앞선 아티클에서 이야기 한 것처럼 CTR을 높인다는 것은 "클릭을 더 잘 시키기 위한" 것이고, "클릭의 최정상"을 올라가기 위한 머신러닝 최적화가 진행될 것이다. 낮은 가능성 이지만 운이 좋게도 타겟 유저의 특성이 클릭 가능성이 높은 사람이 구매 가능성도 높은 사람이라면, 즉 "클릭의 최정상"이 "전환의 최정상"과 같은 봉우리라면 전환 성과가 개선될 수도 있다. 그럼에도 CTR을 높이는 시도를 하고 싶다면 어느 누가 보더라도 매력적인 상세페이지, 제품 구성, 서비스 구성을 반드시 먼저 정비해야 한다. 광고 채널에서 LMF가 검증되지 않은 상황에서 유입을 극대화 시켜야 한다면, 유입 이후의 CDJ에서 LMF를 지속적으로 검증해야 한다.
2. CPC를 낮추면 유입자수가 많아지기 때문에 더 많은 전환을 일으킬 수 있을까?
RTB와 머신러닝을 고려하면 전환의 수는 늘어날 수 있지만, 증가된 유입자 수 대비 비중은 떨어질 가능성이 높다. CPC가 낮아지기 위해서는 동일 CPM 대비 CTR이 높아지거나 동일 CTR 대비 CPM이 낮아져야 한다. RTB를 기반으로 생각한다면 구매 단가가 낮은 지면에 대량으로 광고가 노출되면 CPC가 낮아질 것이다. 머신러닝을 기반으로 생각한다면, "클릭의 최정상"으로 올라가게 되면 CPC가 낮아질 것이다. 전자는 지면의 질의 한계로 인해 전환까지 이어질 가능성이 낮고, 후자는 1번 케이스와 마찬가지로 "클릭의 최정상"과 "전환의 최정상"이 같지 않을 것이기 때문에 더 많은 전환을 일으키는데 적합하지 않을 것이다. 이번 케이스에서도 역시 CPC를 낮추는 시도를 해보고 싶다면 어느 누가 보더라도 매력적인 상세페이지, 제품 구성, 서비스 구성을 반드시 먼저 정비해야 한다.
3. CPC 기반의 검색광고에서 상위노출을 하면 더 많은 전환을 일으킬 수 있을까?
검색광고의 RTB는 더 높은 입찰가를 제시했을 때 더 상위에 노출되도록 한다. 비교 검색 키워드에서는 자사와 경쟁사가 강하게 경쟁하면서 비싼 입찰가를 제시해야 하고, 자사 브랜드를 대표하는 키워드에서는 경쟁사가 들어오더라도 이미 인지상으로 자사 브랜드를 더 강하게 인지하고 있으므로 상대적으로 저렴한 입찰가를 제시할 수 있다. 전자의 경우 비싼 입찰가를 제시하여 상위노출을 하더라도 제품, 서비스가 압도적인 경쟁력을 가지고 있지 않다면 전환을 일으키기 어렵다. 후자는 구매 의도가 강한 타겟 유저가 스스로 검색하여 들어오기 때문에 전환을 일으키기가 쉽다. 따라서 비교 검색 키워드에서는 무조건적인 상위 입찰보다 적정 순위를 찾는 것이 중요하고, 자사 브랜드 키워드에서는 상위 입찰이 중요하다. 이러한 차이가 나는 이유는 CPC 기반의 검색광고가 타겟을 분석하여 스스로 광고 지면을 찾아가는 RTB 시스템이 아닌 훨씬 가격 제시 기반의 RTB 시스템을 사용하는 것, 그리고 머신러닝의 예측 모델보다 타겟 유저가 스스로 찾아오는 Pull 매체의 특성이 강하기 때문이다.
4. CVR이 높아도 CTR이 낮으면 광고가 잘 안도는 것일까?
RTB 관점에서는 광고가 잘 안도는 것일 수 있으나, 머신러닝 관점에서는 "전환의 최정상"에 올라가 있다고 볼 수 있다. 이것을 세부적으로 나누어보면, 머신러닝의 예측 모델에 따라 전환 가능성이 높은 방향으로 광고를 노출하였는데 RTB 관점에서 그러한 타겟 유저가 많은 지면을 구매하기가 어려울 수 있다. 때문에 지면으로의 유저 유입량은 많지만 클릭은 적고, 적은 클릭으로 서비스로 유입되었으나 유입 이후 많은 전환이 발생하는 것이다. 다음으로는 RTB가 해당 제품, 서비스를 구매할만한 유저들을 타겟할만한 DSP, SSP, DMP 데이터가 부족할 수 있다. 이번 케이스의 경우에는 제품, 서비스가 굉장히 니치하거나 LMF를 니치한 방향으로 검증하였을 가능성이 있다.
5. 전환성과가 나쁘지만 매체의 머신러닝이 완료되면 건드리지 말아야 하는가?
이전 아티클에서 설명한 Global minimum과 Local minima의 관점에서 매체의 머신러닝이 완료되더라도 예측 모델의 학습이 제대로 되지 않은 상태로 Local minima에서 학습이 완료되었다고 생각해볼 수 있다. 이 경우에는 소재 변경, 세팅 변경 등을 통해 모델 학습 환경에 변화를 주고 지속적으로 Global minimum에서 학습이 완료될 수 있도록 압력을 가하는 것이 좋다.
6. 전환 최적화의 기준을 구매전환에서 더 앞단 전환으로 바꾸면 더 많은 전환을 일으킬 수 있을까?
이번 케이스도 본질적으로는 1, 2번 케이스와 같은 상황이다. 인간의 관점에서는 상세페이지를 5회 이상 볼 사람과 회원가입을 하는 사람, 장바구니를 담는 사람, 구매를 하는 사람의 성향이 비슷비슷하다고 생각하는 것이 자연스럽다. 하지만 이것은 인지적으로 연결되는 특성이며 머신러닝 관점에서는 이 사람들이 모두 다른 사람들이다. 등산의 예를 다시 들면, 상세페이지 최정상, 회원가입 최정상, 장바구니 최정상, 구매 최정상이 있고 이 봉우리들이 일치할지 아닐지는 알 수 없는 것이다. 따라서 이번 케이스의 경우에서도 앞단 전환으로 최적화 기준을 변경하기 전에 유입 이후의 LMF가 매력적인지 먼저 점검해야 할 것이다.
7. 전환 성과가 좋은 소재가 너무 오래 라이브되고 있을 때, 다른 소재를 만들어서 투입하는 것은 어떤가?
머신러닝 관점에서 기존 소재의 성과가 떨어지기 전에 다른 소재의 성과를 발굴하고자 하는 시도는 지속적으로 이루어져야 한다. 다만 기존 소재가 너무 오래 라이브되고 있다는 이유 때문에 기존 소재를 OFF하고 신규 소재를 새로 테스트 하는 것은 지양해야 한다. 기존 소재의 성과가 좋은데 오래 라이브 된다는 것은 그만큼 해당 소재가 머신러닝의 예측 모델 성능을 극대화 하고 있는 변수로서 기능하고 있는 것이다. 이 경우에는 기존 소재를 OFF하지 않고 새로운 소재를 지속적으로 경쟁시켜서 기존 소재를 이기는 새로운 소재를 찾아내는 것이 바람직 하다.
8. 아무리 소재를 많이 만들어도 전환 성과가 개선되지 않는 것 같다. 유입부터 시키면 어떨까?
이번 케이스는 본질적으로 2, 6번 케이스와 같은 상황이다. 유입을 먼저 시킨다는 것은, 유입 가능성이 높은 유저에게 광고를 노출한다는 의미와 전환 최적화 기준을 앞으로 당긴다는 의미를 갖는다. 유입 또한 "클릭" 혹은 "랜딩페이지 조회"라는 최적화 기준을 충족시킨다는 뜻이기 때문이다. 유입 가능성이 높은 유저에게 광고를 노출한다는 것은 RTB 관점과 머신러닝 관점에서 각각 해석할 수 있다. 이는 2번 케이스를 다시 살펴보면 충분히 이해할 수 있다. 최적화 기준을 앞으로 당긴다는 것은 6번 케이스를 통해 충분히 이해해 볼 수 있다. 따라서 2번과 6번 케이스를 다시 살펴볼 것을 권한다.
9. 전환이 많이 일어나지는 않는데 조금씩 반응이 있는 것 같다. 어떻게 해야 할까?
이번 케이스는 본질적으로 5번과 같은 상황이다. 전환이 일어나기는 하나 크게 진전이 없다면 Local minima로 다가가고 있을 수 있다. 인간의 관점에서는 머신러닝이 학습하면서 더 많은 전환을 일으킬 수 있도록 성능이 개선될 수 있다는 기대를 하게 된다. 하지만 머신러닝은 성능이 낮은 엔진을 오랜시간에 걸쳐 고성능 엔진으로 바꾸는 것이 아니라, 고성능 엔진을 빠르게 조립하여 오래 유지될 수 있도록 광고 노출 컨디션을 유지해주는 것에 가깝다고 생각한다. 따라서 이 경우에는 고성능 엔진을 빠르게 발견할 수 있도록 소재와 광고 세팅 상태를 조정해주는 것이 좋을 것이다.
